【摘要】：隨著科技的發(fā)展,融入科技元素的藝術(shù)形式越來越熱門,將深度學(xué)習(xí)和計算機(jī)視覺技術(shù)融入之中,具有巨大研究潛力和應(yīng)用價值。數(shù)字互動展示平臺主要由目標(biāo)檢測識別系統(tǒng)和數(shù)字動畫投影系統(tǒng)組成,其中目標(biāo)檢測識別系統(tǒng)是核心部分。本文針對復(fù)雜環(huán)境條件下互動展示平臺目標(biāo)物塊實(shí)時識別定位問題,提出一種基于YOLO v2算法模型的快速識別定位方法,結(jié)合目標(biāo)在樣本圖像中的尺寸差異,采用聚類算法提取更匹配樣本目標(biāo)對象尺寸的先驗(yàn)框尺度,設(shè)計并搭建了面向互動展示的深度學(xué)習(xí)檢測識別系統(tǒng)。為保證目標(biāo)樣本圖像的復(fù)雜性和多樣性,采用數(shù)據(jù)增強(qiáng)擴(kuò)充物塊訓(xùn)練樣本。最后通過試驗(yàn)分析驗(yàn)證系統(tǒng)性能,實(shí)現(xiàn)了端到端的目標(biāo)物塊檢測識別。論文的主要工作包括:針對此次項目構(gòu)建了特定項目數(shù)據(jù)集HUSTC605,數(shù)據(jù)集樣本圖像充分考慮了目標(biāo)所處背景、光照強(qiáng)度、光照顏色等外部環(huán)境因素和拍攝角度因素,使用數(shù)據(jù)增廣方法對數(shù)據(jù)集進(jìn)行擴(kuò)充,擴(kuò)充時對數(shù)據(jù)樣本隨機(jī)進(jìn)行鏡像變換、高階插值、增加Gaussian噪聲、椒鹽噪聲和周期性噪聲�；赮OLO v2模型設(shè)計了物塊實(shí)時檢測識別系統(tǒng),發(fā)展了基于卷積神經(jīng)網(wǎng)絡(luò)的物塊檢測識別算法,并基于Qt的UI圖形化界面設(shè)計了針對本文的實(shí)時檢測識別系統(tǒng)軟件用于測試系統(tǒng)的性能,軟件功能界面具體包含界面顯示控件、相機(jī)標(biāo)定控件、參數(shù)設(shè)置控件等元素。分別在靜態(tài)測試集和動態(tài)隨機(jī)實(shí)時目標(biāo)物塊兩個層次進(jìn)行了系統(tǒng)檢測識別性能驗(yàn)證,對處于若干個不同典型場景下的目標(biāo)物塊進(jìn)行了測試研究。試驗(yàn)結(jié)果表明:在6個具有代表性的典型場景下,兩個層次的檢測識別精度結(jié)果均趨向于1;召回率均基本保持在0.95以上,單個目標(biāo)具有較高的定位精度�？傮w上,檢測識別系統(tǒng)檢測識別性能優(yōu)越,且具有很好的魯棒性。
【圖文】：

1 緒 論1.1 研究背景與意義隨著科技的高速發(fā)展，融入科技元素的藝術(shù)項目越來越熱門。在此背景下，將深度學(xué)習(xí)和計算機(jī)視覺技術(shù)融入之中，具有巨大的研究潛力和應(yīng)用價值。數(shù)字藝術(shù)互動展示平臺由目標(biāo)檢測識別系統(tǒng)和數(shù)字動畫投影系統(tǒng)組成。通過擺放不同形狀的物塊，檢測識別系統(tǒng)檢測出目標(biāo)物塊的位置，識別出目標(biāo)物塊的形狀種類，并返回出位置坐標(biāo)，，然后數(shù)字動畫投影系統(tǒng)根據(jù)檢測識別系統(tǒng)返回的目標(biāo)類別和位置信息，在對應(yīng)的目標(biāo)之間投影出道路、橋梁或車輛等動畫景觀，讓觀眾充分感受光影變化的神奇。

圖 1.3 Faster R-CNN 原理示意圖 YOLO[32]，直接在輸出層輸出預(yù)測邊框的的輸入，把目標(biāo)識別問題轉(zhuǎn)化為回歸問 45 幀/秒，在 VOC2007 數(shù)據(jù)集上的測現(xiàn)了改進(jìn)版本 YOLO v2[33]和 v3[34]，性圖 1.4 YOLO v2 算法原理示意圖分析
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 梁琳;何衛(wèi)平;雷蕾;張維;王紅霄;;光照不均圖像增強(qiáng)方法綜述[J];計算機(jī)應(yīng)用研究;2010年05期

2 梁吉業(yè);高嘉偉;常瑜;;半監(jiān)督學(xué)習(xí)研究進(jìn)展[J];山西大學(xué)學(xué)報(自然科學(xué)版);2009年04期

3 李宗坤,鄭晶星,周晶;誤差反向傳播神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)及其應(yīng)用[J];水利學(xué)報;2003年07期

相關(guān)博士學(xué)位論文 前6條

1 林高華;基于動態(tài)紋理和卷積神經(jīng)網(wǎng)絡(luò)的視頻煙霧探測方法研究[D];中國科學(xué)技術(shù)大學(xué);2018年

2 劉寶龍;基于圖像分析和深度學(xué)習(xí)的船名標(biāo)識字符檢測與識別研究[D];浙江大學(xué);2018年

3 高震宇;基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2018年

4 陳凱;深度學(xué)習(xí)模型的高效訓(xùn)練算法研究[D];中國科學(xué)技術(shù)大學(xué);2016年

5 姚明臣;機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中的若干問題研究[D];大連理工大學(xué);2016年

6 駱濤;面向大數(shù)據(jù)處理的并行計算模型及性能優(yōu)化[D];中國科學(xué)技術(shù)大學(xué);2015年

本文編號：2688039